156 CAPÍTULO 5 DISTRIBUCIONES DISCRETAS (DISCONTINUAS) DE PROBABILIDAD

a) no tenga éxito en ninguna de las tiendas?
b) hasta en 3 tiendas tenga éxito?
c) en las 20 tiendas tenga éxito?
Media y varianza de una distribución de probabilidad
binomial
6. La probabilidad de encontrar un pantalón con algún de-
fecto de la producción total diaria de una maquiladora
es de 0.24.
a) Calcule el espacio muestral de probabilidades de que
los pantalones estén defectuosos de una muestra
de 4.
b) Obtenga la media de la distribución de probabilidad.
c) Calcule su varianza por los 2 métodos, a partir de la
distribución de probabilidad y de la fórmula para la
varianza.
7. La probabilidad de que un niño repruebe 1o. de primaria
es de 0.1.
a) Calcule el espacio muestral de probabilidades de que
se repruebe 1o. de primaria de una muestra de 5 ni-
ños.
b) Obtenga la media de la distribución de probabilidad.
c) Calcule su varianza por los 2 métodos a partir de la
distribución de probabilidad y de la fórmula para la
varianza.
8. En electrónica, la probabilidad de que una patente se-
leccionada aleatoriamente tenga éxito en el mercado es
de 0.08.
a) Calcule el espacio muestral de probabilidades de
que las patentes de una muestra de 5 tengan éxito
en el mercado.
b) Obtenga la media de la distribución de probabili-
dad.
c) Calcule su varianza por los 2 métodos, a partir de la
distribución de probabilidad y de la fórmula para la
varianza.
9. La probabilidad de que un detective, seleccionado alea-
toriamente, resuelva un crimen en el primer mes de in-
vestigaciones es de 0.19. Calcule el espacio muestral de
las probabilidades de que un detective resuelva en un
mes los 4 casos de una muestra de crímenes.
10. En una secundaria la probabilidad de que un maestro,
seleccionado aleatoriamente, llegue 15 minutos tarde a
su clase es de 0.25. Calcule el espacio muestral de las
probabilidades de que los maestros de una muestra de 6
lleguen hoy tarde a su clase.

5.5 Tres formas de presentar una distribución de probabilidad

Ahora que ya se revisó la distribución binomial se puede ilustrar este tema que aborda las 3 formas en que
se puede presentar una distribución de probabilidad teórica:
1. Tabla.
2. Gráfica.
3. Función.
Volviendo al ejemplo anterior, el 5.6, en el que la probabilidad de que un edificio seleccionado aleatoria-
mente esté asegurado es de 0.38, y en donde se calculó el espacio muestral de las probabilidades de que los
edificios de una muestra de 3 edificios tengan seguro. Se reproduce en seguida la tabla de la distribución
de probabilidad para n  3 y p  0.38:

0.5 Xi P (Xi)
0.45
0 0.24
0.4
1 0.44
0.35
0.3 2 0.27
0.25 3 0.05
0.2 1
0.15
0.1 En esta tabla se aprecia que se puede presentar la distribución
0.05 de probabilidad enumerando todos los resultados posibles (el
0 espacio muestral del experimento) junto con sus correspon-
0 1 2 3 dientes probabilidades.
Figura 5.1 Gráfica de la distribución de probabilidad binomial para En segundo lugar, estos mismos datos se pueden presentar
n = 3 y p = 0.38. en forma de gráfica, como la que se muestra en la figura 5.1.
 5.5 TRES FORMAS DE PRESENTAR UNA DISTRIBUCIÓN DE PROBABILIDAD 157

En tercer y último lugar, estos valores del espacio muestral y sus probabilidades se pueden presentar
en términos de la función de probabilidad binomial:
3!
P ( 0 n = 3, p = 0.38) = (0.38) (0.62)
0 3
= 0.24
0 ! ( 3 − 0) !

3!
P (1 n = 3, p = 0.38) = (0.38) (0.62)
1 2
= 0.4382
1! ( 3 − 1) !

3!
P ( 2 n = 3, p = 0.38) = (0.38) (0.62)
2 1
= 0.2686
2 ! ( 3 − 2) !

3!
P ( 3 n = 3, p = 0.38) = (0.38) (0.62)
3 0
= 0.0549
3 ! ( 3 − 3) !

5.8
La probabilidad de que en un concierto masivo de rock haya c) Función.
lesionados es de 12%. Calcule el espacio muestral de que haya 4!
lesionados en una muestra de 4 conciertos y presentarlos como: P ( 0 n = 4 , p = 0.12 ) = ( 0.12 )0 ( 0.88 )4
0 ! ( 4 − 0)!
a) Tabla.
b) Gráfica de barras. = 0.5999
c) Función. 4!
P (1 n = 4 , p = 0.12 ) = ( 0.12 )1 ( 0.88 )3
Solución: 1! ( 4 − 1) !
a) Tabla.
= 0.3271
Xi P (Xi) 4!
P ( 2 n = 4 , p = 0.12 ) = ( 0.12 )2 ( 0.88 )2
0 0.5999 2 ! ( 4 − 2)!
1 0.3271
2 0.0669 = 0.0669
3 0.0060 4!
P ( 3 n = 4 , p = 0.12 ) = ( 0.12 )3 ( 0.88 )1
4 0.0002
3 ! ( 4 − 3)!
1.00
= 0.0060
b) Gráfica de barras.
4!
P ( 4 n = 4 , p = 0.12) = (0.12) (0.88)
4 0

0.7 4 ! (4 − 4) !
0.6
= 0.0002
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4

5.5 Tres formas de presentar una distribución de probabilidad

1. Unos delincuentes determinaron que, en los últimos 10 a) Tabla.
años, 13% de los robos a bancos tuvieron éxito. Si traman b) Gráfica de barras.
realizar 5 robos, calcule el espacio muestral de que tengan c) Función.
éxito y preséntelos como:
158 CAPÍTULO 5 DISTRIBUCIONES DISCRETAS (DISCONTINUAS) DE PROBABILIDAD

2. La probabilidad de que cierta estrella de béisbol conecte a) Tabla.

un home run es de 17%. Calcule el espacio muestral de b) Gráfica de barras.
que se conecten home runs en una muestra de 6 turnos al c) Función.
bate y preséntelo en forma de:
4. La probabilidad de que doña Tere, una devota anciana
a) Tabla. de 78 años, falte a misa en domingo es de 8%. Calcule el
b) Gráfica de barras. espacio muestral de que falte a misa en una muestra de 7
c) Función. domingos y preséntela en forma de:
3. La probabilidad de que una familia de campesinos cen- a) Tabla.
troamericanos viaje a Estados Unidos y haga fortuna es b) Gráfica de barras.
de 19%. Calcule el espacio muestral en una muestra de 4 c) Función.
familias que buscan fortuna en las nuevas tierras y pre-
séntelos en forma de:

5.6 Distribución de Poisson

La distribución de Poisson, otra distribución discreta, lleva el nombre del matemático francés Simeon De-
nis Poisson (1781-1840), quien publicó su derivación en 1837. Esta distribución está dada por la siguiente
función:
−λ x
e λ
P( x) = (5.7)
x!
Esta fórmula representa la probabilidad de que una variable aleatoria discreta X asuma el valor específico
x, y e es la constante natural, que es igual a 2.71828, aproximadamente; h, la letra griega lambda, representa
la media de la distribución y está dada por hnp. Adicionalmente, esta media de la distribución es igual a
su varianza. Se ilustra esto más adelante, en la subsección 5.6.3.
La distribución de Poisson es útil para determinar probabilidades de fenómenos que ocurren en un
continuo de espacio o de tiempo, como defectos en un rollo de tela, erratas en las páginas de un libro, nú-
mero de llamadas telefónicas que llegan a un conmutador por intervalo o personas que llegan a hacer fila
ante una ventanilla de atención al público. De hecho, este último caso representa una situación especial
que se estudia con detenimiento en un área matemática que se denomina investigación de operaciones, en
un tema que se conoce como “teoría de colas” o “teoría de líneas de espera”, en el que el uso de la distribu-
ción de Poisson ocupa un lugar preponderante.
Las características de una variable aleatoria Poisson son:
‡ El experimento aleatorio consiste en contar el número de veces que ocurre el evento en una unidad
determinada de espacio o de tiempo.
‡ Las ocurrencias de los eventos son mutuamente independientes.
‡ La probabilidad de ocurrencia es igual para todos los eventos.
‡ En una unidad de espacio o de tiempo muy reducida, la probabilidad de ocurrencia de más de un
evento es tan pequeña que es prácticamente despreciable.
Se revisan en seguida algunos ejemplos.

5.9
Un libro de 500 páginas tiene 200 errores de impresión distri- O sea, que el libro tiene un promedio de 0.40 errores por página.
buidos aleatoriamente. Calcule la probabilidad de que cualquier Entonces,
página elegida al azar tenga un error. −λ x −0.40
e λ
1
2.71828 (0.40)
Solución: Aquí, λ, la media de la distribución, es de: P (1) = = = 0.2681
x! 1
200
λ = = 0.40 También, la probabilidad de que una página cualquiera tenga 2
500 errores es de:
 5.6 DISTRIBUCIÓN DE POISSON 159

e−λλ x 2.71828 −0.40 (0.40)2 Entonces, la probabilidad de que cualquier página tenga 2 o me-
P (2) = = = 0.0536 nos errores es de:
x! 2
P(0) + P(1) + P(2) = 0.2681 + 0.0536 + 0.6703 = 0.992
También podría ser de interés determinar cuál es la probabilidad
de que cualquier página tenga 2 errores o menos (es decir, que Asimismo, se puede calcular, a partir de este último resultado,
tenga 2, 1 o 0 errores); para determinar esta probabilidad se re- la probabilidad de que una página cualquiera tenga 3 errores o
quiere sumar las probabilidades de cada uno de esos 3 casos. Ya más como:
se calcularon antes P(1) y P(2). Ahora:
P(x * 3)  1 < 0.992  0.008
−λ x − 0.40 − 0.40
e λ
0
2.71828 (0.40) 2.71828 (1)
P (0) = = = = 0.6703
x! 0! 1

5.6.1 Distribución de Poisson, tablas de probabilidades Poisson y Excel

La función de Excel que calcula probabilidades Poisson tiene la siguiente sintaxis:
POISSON(X,media,acumulado)
en donde X es el número de sucesos, “media” es la media de la distribución y, al igual que con la función
Distr.Binom, el último parámetro “acumulado” se usa para determinar el resultado del cálculo: si no se
anota nada (aunque sí se debe anotar una coma después del valor de la probabilidad) o se anota “FALSO”,
entonces la función devuelve el valor de la probabilidad para los parámetros anotados; si se anota “VER-
DADERO”, o “1”, entonces el valor que se produce es la probabilidad acumulada desde 0 y hasta el valor
anotado de X, el número de éxitos.
En el ejemplo anterior, el 5.9, la probabilidad de un error se calcula con Excel mediante POIS-
SON(1,4.0,) produciendo el mismo resultado de 0.2681.
Para encontrar todos los resultados que se calcularon antes, se podrían anotar los números 0 al 5 en
los primeros 6 renglones de una hoja de Excel y, después, anotar POISSON(A1,4.0,) en la celda B1 y luego
copiar la fórmula hasta el renglón 6, con lo que se obtiene la siguiente distribución de probabilidad:

X P (X )

0 0.670320

1 0.268128

2 0.053626

3 0.007150

4 0.000715

5 0.000057

6 0.000004

Al igual que con las tablas de la distribución binomial, las tablas de probabilidades Poisson son especial-
mente útiles cuando se requiere calcular muchas probabilidades o, también, para verificar que la suma
de las probabilidades de un espacio muestral tipo Poisson suman 1. La tabla 2 del apéndice es una tabla
de probabilidades Poisson para valores seleccionados de sus parámetros, construida con esta función de
Excel, Poisson.
Por otra parte, se incluye aquí la tabla porque puede resultar útil, pero es importante recordar que la
cantidad de valores diferentes para los parámetros que se requieren para calcular las probabilidades (X y
la media) son limitados en la tabla por cuestiones de espacio, en tanto que con una calculadora se puede
determinar la probabilidad para cualquier valor que se requiera y, con mayor facilidad, con la función de
Excel. A continuación, más ejemplos de esta distribución Poisson.
160 CAPÍTULO 5 DISTRIBUCIONES DISCRETAS (DISCONTINUAS) DE PROBABILIDAD

5.10
En un estudio sobre accidentes laborales, la compañía Seguros 2.71828 −0.62 (0.62)3 0.53794(0.62)
3

Nacionales analiza los historiales de 20 años de 100 empresas, lo P(3) = =

3! 3⋅2
cual conduce a los siguientes 2 000 resultados de accidentes por
año y por empresa: 0.53794(0.238328)
= = 0.02137
6
Xi núm. de accidentes fi frecuencia
por año y por empresa observada Y, finalmente,
0 1 100
2.71828 −0.62 (0.62)4 0.53794(0.62)4
P( 4 ) = =
1 600 4! 4⋅3⋅2

2 270 0.53794(0.14776)
= = 0.00331
24
3 20
Resumiendo:
4 10

Si se considera que los accidentes tienen una distribución alea- Xi núm. de

accidentes por año fi frecuencia Frecuencia
toria, se puede calcular con estos datos una media teórica y, a
y por empresa observada P (Xi) relativa
partir de ella, la distribución teórica del número de accidentes lo
cual, a su vez, se puede utilizar en los cálculos actuariales para 0 1 100 0.53794 0.55
determinar el costo de pólizas de seguro para cubrir este tipo de
1 600 0.33353 0.30
accidentes.
La media de la distribución es: 2 270 0.05562 0.14

3 20 0.02137 0.01
Xi núm. de accidentes fi frecuencia
por año y por empresa observada f (Xi )
4 10 0.00331 0.01
0 1 100 0
   Suma 0.95177
1 600 600
Esta suma de 0.95177, o 95.18% significa que, teóricamente, la
2 270 540 probabilidad de que en una empresa se den 5 o más accidentes
en un año determinado es de:
3 20 60

4 10 40 P(x * 5)  1 < 0.95177  0.04823

   Suma 1 240 A partir de los datos de la tabla se puede saber, por ejemplo, que
la probabilidad de que haya menos de 2 accidentes por año en
Así, λ, la media de la distribución observada, es: una empresa determinada es de:
1 240
λ = = 0.62 accidentes por empresa, por año. P(0) + P(1) = 0.53794 + 0.33353 = 0.87147, u 87.15%
2 000
Adicionalmente, si se observa la última columna de la tabla
A partir de esta media teórica, la distribución teórica de la pro-
anterior, la de la frecuencia relativa, se puede apreciar que las
babilidad de accidentes se calcula como:
frecuencias relativas son muy similares a las frecuencias teóri-
cas obtenidas a partir de la distribución de Poisson, por lo que
2.71828 −0.62 (0.62)0
P(0) = = 0.53794 se confirma que la distribución del número de accidentes se
0! aproxima a la de Poisson. En el capítulo sobre la distribución r2
(ji cuadrada), en la sección 11.9.2 del capítulo 11 se ve un tema
2.71828 −0.62 (0.62)1 sobre bondad de ajuste en el que se estudia la forma de eva-
P(1) = = 0.53794(0.62) = 0.33353
1! luar si esta aproximación permite afirmar que, efectivamente,
la distribución del número de accidentes sigue la distribución
2.71828 −0.62 (0.62)2 0.53794(0.62)2 de Poisson.
P(2) = = = 0.05562
2! 2
 5.6 DISTRIBUCIÓN DE POISSON 161

5.11
Una empresa de aviación determinó que 2% de las personas que e−λλ x 2.71828 −3 (3)0
reservan cierto vuelo no se presentan. Por ello, decide vender P (0) = = = 0.04979
x! 0!
149 lugares para un avión que tiene 148 asientos. Calcule la
−λ x −3
e λ
1
probabilidad de que todas las personas que se presenten tengan 2.71828 (3)
asiento disponible, suponiendo que las llegadas de los pasajeros P (1) = = = 0.14936
x! 1!
siguen una distribución de Poisson.
Como los únicos casos en los que no todos los pasajeros ob-
Solución: En este caso,
tienen asiento es cuando no falta ninguno o sólo falta uno, la
h  np  150(0.02)  3 probabilidad de que todas las personas que se presenten tengan
asiento disponible es:
sería el promedio de personas que no se presentan para un con-
junto de reservaciones de 149. Las probabilidades de que no falte 1 < P(0) < P(1)  1 < 0.04979 < 0.14936  0.8009, u 80.09%
a la cita ninguna de las 149 personas, o que falte una son:

5.12
Durante una hora, una impresora saca en promedio 3 hojas por −3 5
2.71828 (3) (0.04979)(243)
minuto, ¿cuál es la probabilidad de que la impresora imprima 5 P(5) = =
5! 12
hojas durante un minuto escogido al azar?
12.09828
Solución: Como en este caso ya se tiene el dato de la media de = = 0.1008
la distribución, se procede a sustituir directamente en la fórmula: 120

5.6.2 Distribución de Poisson como aproximación de la distribución binomial

En casos en los que aplica la distribución binomial y n es relativamente grande y p relativamente peque-
ña, se acostumbraba argumentar que los cálculos de la probabilidad binomial eran un tanto complicados
y, por ello, se sugería utilizar la distribución de Poisson para aproximar los resultados porque, tal como
puede verse, la fórmula es más sencilla de resolver. Sin embargo, con las herramientas de cálculo con que
se disponen en la actualidad, desde calculadoras más o menos sencillas hasta computadoras, el cálculo de
probabilidades binomiales es sencillo, independientemente de los valores de n y de p. Para ilustrar esta
aproximación entre las 2 distribuciones se presenta en seguida un ejemplo.

5.13
Los registros de una empresa muestran que la probabilidad de Así, la probabilidad de que fallen cuando mucho 2 focos, siguien-
que falle cierto tipo de foco en las primeras 100 horas de uso es do la distribución de Poisson, es:
p  0.0005. Determine la probabilidad de que, de un lote de 1 000
P(X ) 2)  P(X  0)
P(X  1)
P(X  2)  0.6065
0.30325
focos, cuando mucho 2 fallen en las primeras 100 horas de uso

0.07581  0.98556
a) usando la distribución de Poisson y b) usando la binomial.
Haciendo ahora los cálculos con la distribución binomial se tie-
Solución: El “cuando mucho 2” implica que se busca la proba-
ne:
bilidad de que fallen 0, 1 o 2 focos. Así, la respuesta es dada por
P(X  0)
P(X  1)
P(X  2) y, como n  1 000 y p  0.0005,
+  np  1 000(0.0005)  0.5, y
P( x) = n p xq
x ()
n− x
=
n!
x !(n − x )!
p xq
n− x

2.71828 −0.5 (0.5)0 n! n− x 1 000 !

0.6065(1) P (0) = =
1 000
P(0) = = = 0.6065 p xq (0.0005 0 ) (0.9995 )
0! 1 x !(n − X )! 0 ! 1 000 !

P(0) = (1) (0.9995 ) = 0.6065

1 000
2.71828 −0.5 (0.5)1 0.6065(0.5)
P(1) = = = 0.30325
1!
−0.5 2
1 P (1) =
n!
x !(n − X )!
(p X
q
n− X
) = 1! (11000
000 !
− 1)!
(0.0005 )(0.9995 1 999
)
2.71828 (0.5) 0.6065(0.25)
P(2) = = = 0.07581
2! 2 = (1 000)(0.00051 )(0.9995999 ) = 0.3034
162 CAPÍTULO 5 DISTRIBUCIONES DISCRETAS (DISCONTINUAS) DE PROBABILIDAD

P (2) =
n!
pXq
n− X
=
1 000 !
0.0005 2 ⋅ 0.9995998 P ( x ≤ 2) = P ( x = 0) + P ( x = 1) + P ( x = 2)
x !(n − X )! 2 ! 998 !
1 000(999) = 0.6065 + 0.3034 + 0.07581 = 0.98571
= (0.00000025)(0.9995 ) = 0.07581
998

2
Que son prácticamente los mismos resultados que se obtuvieron
antes con la distribución de Poisson.

5.6.3 Media y varianza de la distribución de Poisson

Tal como se menciona al principio de esta sección 5.6, la media de la distribución de Poisson es
+  E(X)  h  np, y es igual, también, a su varianza:
Var(X)  h  np

5.14
En un banco se reciben 3 cheques sin fondos cada día. Si se ela- X P (X) X u P (X ) (X < X )2 (X < X )2 u P (X )
bora la distribución de probabilidad de Poisson con este dato se
8 0.0081 0.0648 25 0.2025
obtienen los resultados que se resumen en la tabla 5.2.
9 0.0027 0.0243 36 0.0972
Tabla 5.2
10 0.0008 0.0081 49 0.0397
X P (X) X u P (X ) (X < X )2 (X < X )2 u P (X ) 11 0.0002 0.0024 64 0.0141
0 0.0498 0.0000 9 0.4481 12 0.0001 0.0007 81 0.0045
1 0.1494 0.1494 4 0.5974 Sumas 1.0000 2.9998 2.9983
2 0.2240 0.4481 1 0.2240
En la suma de la tercera columna se puede ver que la media de la
3 0.2240 0.6721 0 0.0000 distribución es prácticamente 3 (2.9998) y en donde la diferencia
4 0.1680 0.6721 1 0.1680 se debe a redondeo y a que no se consideraron todos los valores
5 0.1008 0.5041 4 0.4033
posibles de X, sino que se tomó hasta X = 12, el cual ya es muy
cercano a 0. Además, en la suma de la quinta y última columnas
6 0.0504 0.3025 9 0.4537 se puede apreciar que la varianza es también prácticamente igual
7 0.0216 0.1512 16 0.3457 a 3. Con esto se ilustra cómo, para la distribución de Poisson:
E(X)  +  Var(X)  np (5.8)

5.6 Distribución de Poisson

1. En un centro telefónico de atención a clientes se reciben 5. Cada rollo de 500 metros de tela tiene 2 defectos en pro-
en promedio 5 llamadas por hora. ¿Cuál es la probabili- medio (rasguños, hilos sueltos). ¿Cuál es la probabilidad
dad de que en una hora seleccionada aleatoriamente se de que en un segmento de 100 metros en particular no
reciban exactamente 3 llamadas? exista defecto alguno?
2. En una tienda departamental, en la sección de electrodo-
mésticos, un promedio de 12 personas por hora le hacen Aproximación de probabilidades binomiales con la
preguntas al encargado. ¿Cuál es la probabilidad de que distribución de Poisson
más de 3 personas se acerquen al encargado a hacer pre-
6. Los analistas pronostican que 0.08% de las microempre-
guntas en un periodo de 10 minutos?
sas que se abran este año lograrán crecer a empresas me-
3. De las refacciones enviadas por un proveedor, 20% son
dianas en 5 años. Determine la probabilidad de que en
defectuosas. Si se selecciona una muestra de 25 artículos,
una muestra de 500 nuevas microempresas, solamente 3
¿cuál es la probabilidad de que más de 2 resulten defec-
logren crecer a medianas empresas,
tuosas?
4. En promedio, 5 personas por hora realizan algún trámite a) usando la distribución de Poisson y
en una oficina gubernamental. ¿Cuál es la probabilidad de b) usando la binomial.
que 5 o más realicen algún trámite en una hora en par-
ticular?
 5.7 DISTRIBUCIÓN HIPERGEOMÉTRICA 163

7. La probabilidad de que un maestro de Wushu tenga un pozos contengan agua con más metal que lo permitido?
error al ejecutar una forma de Taiji Quan en una exhibi- Resuelva:
ción es del 0.003. Si el maestro ejecutó 190 exhibiciones
en los últimos 3 años, ¿qué probabilidad hay de que tu- a) usando la distribución de Poisson y
viera algún error en 4 exhibiciones? Resuelva: b) usando la binomial.

a) usando la distribución de Poisson y Media y desviación estándar de la distribución de

b) usando la binomial.
8. Un fabricante de hornos de microondas estima que la
probabilidad de que un consumidor reclame la garan-
tía por algún desperfecto del equipo durante el primer
mes es de 0.005. Si este mes se vendieron 125 hornos,
¿cuál es la probabilidad de que se descompongan de 3 a
5 hornos? Resuelva:
a) usando la distribución de Poisson y
b) usando la binomial.
9. La probabilidad de que a un ciclista en una excursión
por la montaña se le descomponga su bicicleta es de
0.009. Si este fin de semana fueron a la montaña 87 ci-
clistas, ¿cuál es la probabilidad de que se descompongan
exactamente 7 bicicletas? Resuelva:
a) usando la distribución de Poisson y
b) usando la binomial.
10. Un laboratorio estima que la probabilidad de encontrar
en un pozo de agua metales pesados en cantidades su-
periores a las permitidas por la ley, es de 0.007. Si ana-
liza 200 pozos, ¿cuál es la probabilidad de que de 9 a 11
Poisson
11. En un restaurante hay al día, en promedio, 5 reservacio-
nes a comer. Elabore la distribución de probabilidad de
Poisson con este dato y verifique si se cumple que E(X)
 Var(X)  np.
12. En un gran hospital, cada hora en promedio operan a
4 personas. Elabore la distribución de probabilidad de
Poisson con este dato y verifique si se cumple que E(X)
 Var(X)  np.
13. Un arqueólogo espera encontrar 8 huesos de dinosaurio
por cada metro cuadrado en la excavación que lleva a
cabo. Elabore la distribución de probabilidad de Pois-
son con este dato y verifique si se cumple que E(X) 
Var(X)  np.
14. Un comunicólogo estima que, en época electoral, apa-
recen en promedio 10 comerciales políticos cada media
hora. Elabore la distribución de probabilidad de Poisson
con este dato y verifique si se cumple que E(X)  Var(X)
 np.
15. Un pescador estima que en promedio pesca 7 pescados
grandes al día. Elabore la distribución de probabilidad
de Poisson con este dato y verifique si se cumple que
E(X)  Var(X)  np.

5.7 Distribución hipergeométrica

En la tabla 5.3 se resumieron las características que diferencian (y permiten distinguir) entre las 4 principa-
les distribuciones discretas de probabilidad. Para facilitar la referencia se le reproduce en seguida:
Tabla 5.3 Características de las principales distribuciones discretas de probabilidad

Distribución Núm. de resultados posibles Probabilidad

Binomial 2 resultados posibles Igual P en cada ensayo
Poisson 2 resultados posibles Igual P en cada ensayo
Multinomial Más de 2 resultados Igual P en cada ensayo
Hipergeométrica 2 resultados posibles P diferentes en cada ensayo

Tal como puede verse aquí, la distribución hipergeométrica se aplica cuando se tienen 2 resultados posi-
bles y cuando la probabilidad, P, sí cambia de un ensayo a otro.
La fórmula de la distribución hipergeométrica de probabilidad es:

⎛ ⎞⎛ ⎞
⎛ N1 ⎞ ⎛ N 2 ⎞ ⎜ N1 ! N2 !
⎜ X ⎟ ⎜ n − X ⎟ ⎜ X !( N − X )! ⎟⎟ ⎜⎜ (n − X )!( N − n + X )! ⎟⎟
⎝ ⎠⎝ ⎠ ⎝ 1 ⎠⎝ 2 ⎠
P( X ) = = (5.9)
( )
n
N N!
n !( N − n)